本文關(guān)鍵詞：乒乓球軌跡預(yù)測與分類研究

  更多相關(guān)文章： 乒乓球機器人 軌跡預(yù)測 ELM算法 BP神經(jīng)網(wǎng)絡(luò) 旋轉(zhuǎn)球軌跡分類

【摘要】：目前乒乓球機器人系統(tǒng)普遍存在兩個難題：首先,乒乓球高速運動時,機器人較難在短時間內(nèi)做出反應(yīng)；其次,機器人無法識別來球類型(如下旋、上旋、無旋等),不能判斷來球是否旋轉(zhuǎn)以及旋轉(zhuǎn)方向,這就造成機器人回球策略單一、應(yīng)變能力差。針對這兩個問題,本文對乒乓球機器人系統(tǒng)中乒乓球軌跡展開研究,主要包括軌跡預(yù)測以及旋轉(zhuǎn)球軌跡分類兩部分。 乒乓球軌跡預(yù)測是乒乓球機器人研究當(dāng)中的基礎(chǔ)�；贓xtreme Learning Machines(ELM)算法對乒乓球軌跡進(jìn)行預(yù)測時,首先獲取真實的人機對打數(shù)據(jù),并提取連續(xù)10幀的位置信息與速度信息選取特征,將其作為ELM算法的輸入數(shù)據(jù),然后進(jìn)行歸一化處理,創(chuàng)建ELM算法模型,輸出結(jié)果為后20幀的位置信息。通過多次實驗我們發(fā)現(xiàn)了原始ELM算法的不足,進(jìn)而我們改進(jìn)了ELM算法通過設(shè)置精度閾值以及歷史數(shù)據(jù)離線學(xué)習(xí),保存隱含層權(quán)值矩陣的方法保存訓(xùn)練好的ELM模型。最后通過實驗驗證改進(jìn)ELM算法的可行性與適用性。 利用Error Back Propagation(BP)神經(jīng)網(wǎng)絡(luò)對乒乓球軌跡進(jìn)行預(yù)測時,選取與ELM算法同樣的數(shù)據(jù)以及預(yù)測方法。創(chuàng)建BP預(yù)測網(wǎng)絡(luò),輸出同樣是連續(xù)的后20幀位置信息。通過對大量歷史數(shù)據(jù)進(jìn)行離線學(xué)習(xí),將訓(xùn)練效果最好的網(wǎng)絡(luò)保存,利用保存的網(wǎng)絡(luò)模型對新的乒乓球軌跡進(jìn)行預(yù)測,驗證了BP神經(jīng)網(wǎng)絡(luò)的可行性。最后我們加入了BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)ELM算法在實驗結(jié)果上的對比,驗證了BP神經(jīng)網(wǎng)絡(luò)在精度上的優(yōu)勢以及ELM算法在反應(yīng)時間上的優(yōu)勢,最終綜合考慮我們認(rèn)為在軌跡預(yù)測工作上,ELM算法更加適用于乒乓球機器人。 利用ELM算法對旋轉(zhuǎn)球運動軌跡分類時,經(jīng)過多次實驗,最終選擇旋轉(zhuǎn)球運動軌跡中每一幀的位置、速度作為特征。將旋球運動軌跡中連續(xù)10幀的位置、速度作為ELM算法的輸入數(shù)據(jù),對其進(jìn)行歸一化預(yù)處理,然后創(chuàng)建改進(jìn)的ELM模式識別網(wǎng)絡(luò),輸出則為該軌跡對應(yīng)的擊球類型。離線學(xué)習(xí)了大量數(shù)據(jù),通過保存的權(quán)值矩陣對不同的旋轉(zhuǎn)球軌跡進(jìn)行分類。最后我們加入了BP神經(jīng)網(wǎng)絡(luò)分類器作為對比,并進(jìn)行了實驗,結(jié)果證明與基于BP的分類器相比,ELM算法精度相對低了一些,但是分類時間上的優(yōu)勢非常明顯。
【關(guān)鍵詞】：乒乓球機器人 軌跡預(yù)測 ELM算法 BP神經(jīng)網(wǎng)絡(luò) 旋轉(zhuǎn)球軌跡分類
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP183;G846
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-9
• 目錄9-11
• 圖目錄11-12
• 1 引言12-19
• 1.1 研究背景及意義12-13
• 1.2 乒乓球機器人的發(fā)展現(xiàn)狀13-17
• 1.2.1 國外乒乓球機器人發(fā)展?fàn)顩r13-16
• 1.2.2 國內(nèi)乒乓球機器人發(fā)展?fàn)顩r16-17
• 1.3 論文組織結(jié)構(gòu)17-19
• 2 基于ELM神經(jīng)網(wǎng)絡(luò)的乒乓球軌跡預(yù)測19-34
• 2.1 人工神經(jīng)網(wǎng)絡(luò)概述19-23
• 2.1.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展史19-20
• 2.1.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)20-22
• 2.1.3 神經(jīng)網(wǎng)絡(luò)的特點22-23
• 2.2 ELM神經(jīng)網(wǎng)絡(luò)23-27
• 2.2.1 ELM極限學(xué)習(xí)機的發(fā)展23-24
• 2.2.2 ELM算法的網(wǎng)絡(luò)結(jié)構(gòu)24-25
• 2.2.3 ELM算法的工作原理25-27
• 2.3 ELM算法預(yù)測模型應(yīng)用27-33
• 2.3.1 預(yù)測模型的樣本數(shù)據(jù)27-28
• 2.3.2 ELM算法預(yù)測方法28-29
• 2.3.3 原始ELM實驗分析29
• 2.3.4 改進(jìn)ELM算法分析29-30
• 2.3.5 改進(jìn)ELM實驗分析30-33
• 2.4 小結(jié)33-34
• 3 基于BP神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)球軌跡預(yù)測34-44
• 3.1 BP神經(jīng)網(wǎng)絡(luò)34-35
• 3.1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)34-35
• 3.1.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法35
• 3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的實現(xiàn)35-42
• 3.2.1 Matlab神經(jīng)網(wǎng)絡(luò)工具箱35-37
• 3.2.2 輸入層和輸出層設(shè)計37
• 3.2.3 訓(xùn)練參數(shù)以及訓(xùn)練算法的選擇37
• 3.2.4 實驗與分析37-40
• 3.2.5 實驗結(jié)果對比與分析40-42
• 3.3 小結(jié)42-44
• 4 基于ELM算法的旋轉(zhuǎn)球軌跡識別44-54
• 4.1 ELM算法分類器44
• 4.1.1 旋轉(zhuǎn)球軌跡分類問題44
• 4.1.2 ELM分類器的旋轉(zhuǎn)球分類過程44
• 4.2 原始ELM分類器應(yīng)用44-49
• 4.2.1 輸入層和輸出層數(shù)據(jù)處理45
• 4.2.2 輸入數(shù)據(jù)預(yù)處理45-46
• 4.2.3 分類函數(shù)46
• 4.2.4 實驗結(jié)果與分析46-49
• 4.3 改進(jìn)ELM算法分類器49-51
• 4.3.1 實驗結(jié)果與分析50-51
• 4.4 改進(jìn)ELM分類器與BP分類器對比51-53
• 4.4.1 輸入層和輸出層數(shù)據(jù)51
• 4.4.2 實驗結(jié)果51-53
• 4.5 小結(jié)53-54
• 5 結(jié)束語54-55
• 5.1 工作總結(jié)54-55
• 參考文獻(xiàn)55-58
• 作者簡歷及攻讀碩士學(xué)位期間取得的研究成果58-60
• 學(xué)位論文數(shù)據(jù)集6

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 芮慶,胡宗武,宮崎文夫;用LWR學(xué)習(xí)進(jìn)行乒乓球軌道預(yù)測的仿真研究[J];機器人;1998年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張遠(yuǎn)輝;基于實時視覺的乒乓球機器人標(biāo)定和軌跡跟蹤技術(shù)研究[D];浙江大學(xué);2009年

，

本文編號：712256